[发明专利]一种基于异构图聚合网络的高密度复合场景轨迹预测方法

权利要求书

1.一种基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，包括以下步骤：

S100、构建异构图聚合网络，将场景探测范围内所有物体的历史轨迹时序信息作为网络的输入特征，该历史轨迹时序信息包含指定历史时间段内所有物体的二维坐标特征、物体自身的大小特征以及物体所属的类别特征；

S200、使用全局注意力机制为邻居物体分别进行权重分配，使每个邻居物体都获得一个权重得分，将每个邻居物体的权重得分乘以对应物体的原始特征信息得到新的特征，生成异构图结构；

S300、将所有物体按照类别特征分别进行嵌入编码，其中将物体的大小特征和坐标特征分开进行嵌入编码便于网络学习到不同特征的关键信息，然后将嵌入编码分别输入至LSTM时序编码网络中对各个类别特征和目标物体进行时序编码；其中利用LSTM时序编码网络进行时序编码采用如下公式：

其中，和分别表示t时刻所有的邻居节点和目标物体节点的隐藏状态，和表示相应LSTM的参数，c表示类别特征，τ表示预测目标物体，e_sz，τ和e_sz，c分别表示预测目标物体和第c类物体面积特征的嵌入编码向量，和分别表示预测目标物体和第c类物体在t时刻的空间特征嵌入编码向量；

S400、将时序编码结果输入两阶段聚合器中，依次进行物体聚合和类别聚合，输出一个能够表征类别特征和目标物体的表征向量；其中，第一阶段聚合器使用多头注意力机制对各类型特征的邻居物体分别进行聚合，用单个表征向量来表征多个物体的类别特征向量；第二阶段聚合器将用来表征多个物体的类别特征向量的单个表征向量与目标物体的向量进行类别聚合，输出用于表征类别特征和目标物体的单个表征向量；

S500、使用基于LSTM的历史信息残差连接技术对聚合输出的表征向量进行解码，然后通过全连接网络进行线性激活，最终将输出每个时间步的线性激活结果作为整个异构图聚合网络的输出，对目标物体进行轨迹预测。

2.根据权利要求1所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述物体所属的类别特征包括汽车、行人和自行车。

3.根据权利要求1所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S200中邻居物体的权重得分S_i计算公式为：

S_i＝attention((f_τ，f_i))

其中，attention是使用Softmax激活函数的全局注意机制，f_i是在时间间隔内候选相邻物体的特征，f_τ是预测目标的特征。

4.根据权利要求3所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S200中生成异构图结构包含目标物体节点和所有的邻居节点，每个节点代表物体的特征信息，每个邻居节点只与目标物体节点有关联边，且边权重为权重得分。

5.根据权利要求1～4任一项所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S400中采用均值相加和残差连接技术对于该用来表征多个物体的类别特征向量的单个表征向量进行处理，增强其表征能力。

6.根据权利要求5所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S500中解码时历史信息来自编码聚合的输出结果和编码时LSTM时序编码网络的编码信息。

7.根据权利要求6所述的基于异构图聚合网络的高密度复合场景轨迹预测方法，其特征在于，所述步骤S500中残差连接在LSTM网络中每个解码时间步都使用前两个时间步的解码输出。